Detailansicht
Measurement dependence inducing latent causal models
Alex Markham
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Dr.-Studium der technischen Wissenschaften (DissG: Informatik)
Betreuer*in
Moritz Grosse-Wentrup
DOI
10.25365/thesis.71183
URN
urn:nbn:at:at-ubw:1-12968.06784.252668-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In dieser Dissertation überdenken wir einige der gängigen Annahmen, die in Methoden der kausalen Inferenz verwendet werden. Dies reicht von grundlegenden Ideen, wie z.B. der Vorstellung, dass ein Datensatz aus einem einzelnen Kausalmodell statt aus einem komplexen Kausalsystem entnommen wird, bis hin zu eher methodenspezifischen Annahmen, wie z.B. der Linearität von Kausalbeziehungen oder der (Nicht-)Gauß'schen Verteilung von kausalen Variablen.
Dabei leisten wir mehrere Beiträge zum Gebiet der kausalen Inferenz:
wir definieren eine neue Klasse von Kausalmodellen;
wir leiten neue kausale Inferenzmethoden unter Verwendung dieser Modelle ab
und wir untersuchen sowohl die Aspekte dieser Modelle, die von anderen existierenden Modellen erfasst werden, als auch die Art und Weise, in der diese Modelle und ihre Äquivalenzklassen andere existierende Modelle subsumieren.
Der mathematische Faden, der unsere verschiedenen Beiträge verbindet, ist die Verwendung ungerichteter Graphen, die neue graphentheoretische, algebraische, geometrische und statistische Perspektiven auf kausale Methoden ermöglicht.
Obwohl unser Hauptaugenmerk auf der Theorie liegt, stellen wir auch ein Softwarepaket zur kausalen Inferenz zur Verfügung und demonstrieren unsere Methoden mit verschiedenen realen Anwendungen.
Abstract
(Englisch)
In this dissertation, we reconsider some of the common assumptions used in causal inference methods, ranging from foundational ideas, such as the notion of a data set as being sampled from a single causal model instead of being from a complex causal system, to more method-specific assumptions, such as linearity of causal relationships or (non)Gaussianity of causal variables.
In doing so, we make several contributions to the field of causal inference:
we define a new class of causal model;
we derive new causal inference methods using these models;
and we explore both the aspects of these models that are captured by other existing models as well as the ways in which these models and their equivalence classes subsume other existing models.
The mathematical thread connecting our different contributions is the use of undirected graphs, which facilitates novel graph theoretic, algebraic, geometric, and statistical perspectives on causal methods.
Though our main focus is theoretical, we also provide a causal inference software package and demonstrate our methods with various real-world applications.
Schlagwörter
Schlagwörter
(Deutsch)
Kausalität maschinelles Lernen grafische Modelle Kernel-Methoden
Schlagwörter
(Englisch)
causality machine learning graphical models kernel methods
Autor*innen
Alex Markham
Haupttitel (Englisch)
Measurement dependence inducing latent causal models
Publikationsjahr
2021
Umfangsangabe
vii, 66 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Moritz Grosse-Wentrup
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16541507
Utheses ID
61519
Studienkennzahl
UA | 786 | 880 | |